Plan 📋

Voici le plan :
1. Introduction
2. Réseaux de Neurones et Contexte
3. Comparaison des langages Julia et Python
4. Construction et Entraînement du Modèle
5. Résultats et Visualisations
6. RShiny et Intégration
7. Conclusion

Introduction

• Présentation du projet : exploration des réseaux de neurones convolutifs (CNN).
  
• Objectif : Évaluer les performances de Julia dans le Machine Learning.
  
• Focus : Implémentation des réseaux de neurones en Julia et application RShiny

Réseaux de Neurones et Contexte

• Définition des CNN et leur rôle dans le traitement d’images.
  
• Exemple d’application : reconnaissance d’images.
  
• Importance de la normalisation des données et de l’encodage des labels.

Comparaison des Langages

• Julia :
  • Performances élevées.
    
  • Gestion simplifiée des matrices et des calculs lourds.
• Python :
  • Large communauté et écosystème riche.
    
  • Mais : limitations en termes de rapidité pour des tâches lourdes.

Comparaison des langages

Construction et Entraînement du Modèle

• Utilisation et implémentation des couches : Convolution, MaxPooling, Dense, Softmax.
  
• Fonction de perte : Entropie croisée.
  
• Optimisation avec des métriques comme : précision, recall, et F1-Score.

Couche de convolution

Résultats et Visualisations

• Visualisation de la matrice de confusion.
  
• Courbes de perte et d’accuracy.
  
• Insights : Julia a montré une supériorité dans l’entraînement des modèles CNN.

Matrice de confusion

RShiny et Intégration

• Création d’une application interactive pour visualiser les résultats :
  • Histogrammes des pixels.
    
  • Nuages de points.
• Intégration Julia et R via le package Rulia.
  
• Tableau de bord interactif pour explorer les prédictions.

Histogrammes des pixels

Nuage de points

Exemple de l’application de prédiction de classes

Tableau de bord